内脏与皮下脂肪面积比值较单一指标更能改善长期死亡率预测:基于大型成人队列纵向随访的腹部CT人工智能自动测量
这项回顾性队列研究纳入2000至2021年间接受腹部CT的138,169例患者,用全自动AI算法在L3层面量化皮下脂肪面积(SAT)、内脏脂肪面积(VAT)及两者比值(VSR)。高VSR与死亡率升高相关,且在年轻女性中关联最强(18-39岁女性最高风险四分位较低风险四分位HR 3.32),VSR总体预测效能优于单独VAT或SAT面积。
要点
- L3层面AI自动分割可同时获得SAT、VAT面积并计算VSR,分割结果附彩色质控图供人工核对。
- VSR预测全因死亡总体优于单独VAT或SAT面积,最高风险与最低风险四分位相比HR可达3.32。
- 低SAT面积与死亡率升高相关,高VAT面积在年轻人群与死亡率升高相关而老年人群趋势减弱甚至反转。
核心结论
- 基于AI的CT测量的SAT、VAT和VSR均可预测全因死亡率,其中VSR是总体效能最高的脂肪面积生物标志物。
- 这些指标在女性和年轻患者中预测效能似乎更好,作者认为整合AI工具有助于辅助患者评估和管理。
研究设计与样本
- 回顾性队列研究,经机构审查委员会批准并符合HIPAA,纳入2000至2021年在University of Wisconsin Hospitals and Clinics因任何原因行腹部CT的151,141例患者,最终分析138,169例。
- 采用全自动AI算法在L3层面椎体中部对应层面分割脂肪组织,脂肪组织定义为-274 HU至-49 HU的体素,SAT为内外轮廓之间、VAT为内轮廓以内的脂肪体素,VSR为VAT面积与SAT面积之比。
- CT纳入涵盖不同对比剂期相、管电压和剂量范围及GE HealthCare、Siemens Healthineers、Philips Healthcare多种机型,以最大化泛化性。
- 终点为全因死亡,生存时间以死亡日期或末次接触日期计算,采用Cox比例风险模型和Kaplan-Meier曲线分析,并按性别和年龄组(18-39、40-59、60-79、80+岁)分层。
关键影像表现/征象
- 脂肪组织测量采用L3层面单层横断面面积,分割结果在自动生成的彩色编码质控图像上显示供目视检查准确性。
- VAT以金色分割、SAT以蓝色分割,示例中33岁女性VAT面积198.6 cm2、SAT面积187.3 cm2、VSR 1.06,26岁女性VAT面积23.4 cm2、SAT面积71.5 cm2、VSR 0.33。
诊断标准与关键数值
- VSR最高风险较低风险四分位HR在18-39岁女性为3.32(95%CI 2.58–4.06),在18-39岁男性为1.64(95%CI 1.32–1.96)。
- SAT面积最高HR在40-59岁男性为1.55(95%CI 1.42–1.68),在80岁以上女性为1.62(95%CI 1.44–1.80)。
- VSR最高风险较低风险四分位HR在18-39岁女性为3.32(95%CI 2.58–4.06),高于同年龄组男性1.64(95%CI 1.32–1.96)。
- 以P<0.05为统计学显著,采用卡方检验比较各百分位点或四分位组间的HR。
临床应用与阅片要点
- 作者认为VSR在许多临床情形中是更优的生物标志物,因此应考虑采用,AI-CT工具可高效获取该信息并补充体重或BMI等常用指标。
- 作者认为将这类工具纳入实践对改善患者照护至关重要,除优化疾病治疗外还可用于预防性用途,例如将脂肪测量与同一腹部CT的其他身体成分测量组合成可解释模型预测未来结局。
- 阅片时需注意研究采用L3单层采样,测量仅为腹部脂肪组织的样本,部分病例可能高估或低估实际脂肪体积。
局限性
- 本研究为单中心回顾性研究。
- CT因任何适应证而获得,包括已存在基础疾病者,该队列与一般人群相比可能对某些结局存在偏倚。
- 队列同时包含增强和非增强检查,尽管既往研究已建立校正因子并考察CT类型是否影响结局,对这两类CT检查采用分别的方案可能更有利。
- 脂肪组织面积取自L3层面单层,测量仅为患者腹部脂肪组织的样本,部分病例可能高估或低估实际脂肪体积。
全文中译9 节 · 点击展开
引言
肥胖是多种不良临床结局(包括心血管代谢疾病和死亡)的明确危险因素[1, 2]。虽然BMI和腰围是传统使用的临床测量指标,但它们相对粗糙,未能捕捉脂肪分布的关键方面[3, 4]。值得注意的是,内脏脂肪组织(VAT)与皮下脂肪组织(SAT)之间存在重要区别。已知VAT具有代谢活性,而SAT虽然与已知的代谢影响相关,但也被认为具有保护性益处。[4, 5], [6]。
人工智能(AI)为测量脂肪组织提供了一种新途径,这在以前难以获得。虽然CT被认为是量化脂肪组织的金标准,但传统手动方法较为耗时[6, 7]。基于AI的全自动CT工具可以得出准确、客观的SAT和VAT测量值,可在临床上用于优化诊疗而无需高额开销[8–12]。最实用的方法是在L3层面取横截面积样本,作为患者总腹部脂肪组织体积的代表性测量[13]。
通过此L3采样技术获得的VAT和SAT面积已被证明与临床结局相关[14–17]。然而,这些腔室之间脂肪组织的分布——由内脏与皮下脂肪组织面积比(VSR)所反映——同样被发现具有独立于单独VAT或SAT比值的重要临床意义[18]。这一临床见解可能归因于VAT和SAT的独特特性[13]。
尽管这三种基于脂肪组织面积的测量指标的临床意义已有充分文献记载,但尚不清楚哪一种最佳,以及预测价值与脂肪组织测量指标的相关程度如何。同样,需要更多数据来确定这些测量指标的预测价值在不同人口学特征之间有何差异。因此,本研究的目的为:1)在大型成人患者队列中评估脂肪组织面积预测全因死亡的表现,2)确定单独脂肪组织面积还是VAT与SAT比值是更好的生存预测指标,3)确定这三种测量指标在年龄和性别方面的差异。
方法
患者队列
本回顾性队列研究符合HIPAA要求,并经威斯康星大学医学与公共卫生学院机构审查委员会批准。共纳入2000年至2021年间在威斯康星大学医院和诊所接受腹部CT扫描的151,141例患者。患者仅纳入一次,使用最早可获得的CT图像进行分析。利用电子健康记录(EHR)的详细算法识别关键临床信息。因工具失败、极端异常生物标志物值、年龄小于18岁或EHR数据缺失而排除患者。该流程如图1流程图所示。队列进一步按年龄(18–39、40–59、60–79和80+岁)以及性别(男性和女性,自我报告)进行细分,以评估这些因素对生存指数的作用。
CT技术
本研究纳入任何覆盖全腹部(L1-L5)的CT。为最大限度地提高普遍适用性,纳入了多种CT扫描方案,导致对比剂期相、X线管电位和剂量范围各不相同。扫描仪为来自不同制造商的各种型号,包括GE HealthCare、Siemens Healthineers和Philips Healthcare。
全自动人工智能基于腹部脂肪组织分割
本研究使用的基于自动人工智能的脂肪组织分割流程是一种研究工具,此前已被描述和验证[9, 13, 19, 20]。当前流程方法已在近期一篇出版物中总结[21]。该流程稳健且可推广至不同CT供应商和技术[19, 22–24]。简言之,该工具的工作方式是准备CT数据以供处理,随后进行脂肪组织分割。预处理包括确保患者方向正确,采用标准左-前-上体素排序,使用标准软组织核将序列重建为连续的3 mm层厚图像,以及通过去除供应商亨斯菲尔德单位(HU)偏移进行CT值归一化。然后,使用基于卷积神经网络(CNN)的无监督身体部位回归算法进行椎体定位。由此获得对应于T12至L5椎体近似中点层面的预测水平标记。
CT数据准备完成后,进行脂肪组织分割和定量。该过程包括五个一般步骤,并在对应于L3中轴平面的层面上完成。(1)使用区域生长算法创建身体掩膜,分割体外低强度像素并去除CT检查床。(2)使用各向异性扩散滤波器进行降噪。(3)将-274 HU至-49 HU之间的体素标记为脂肪组织。(4)活动轮廓建模算法创建身体轮廓,并在多次迭代中对其进行修改。由此形成围绕身体外部的外部轮廓和围绕腹壁肌肉组织的内部轮廓。(5)对脂肪组织进行定量。皮下脂肪组织(SAT)定义为外部轮廓与内部轮廓之间任何标记为脂肪组织的体素。内脏脂肪组织(VAT)定义为内部轮廓内任何标记为脂肪组织的体素。对于VAT和SAT面积,将体素面积总计以计算横截面积(mm2)。内脏脂肪与皮下脂肪比值(VSR)通过VAT面积与SAT面积之比计算。
每幅CT图像的脂肪组织分割结果均描绘在自动生成的彩色编码质量控制图像上,可目视检查分割准确性(图2)。
临床结局
本研究中使用的临床变量来自电子健康记录(EHR)。关键患者数据包括患者出生日期和性别。关键临床结局包括死亡日期和末次接触日期。末次接触日期基于最近一次有记录的面对面临床就诊,如门诊就诊或采血。有死亡日期的患者被纳入死亡队列,无死亡日期的患者被纳入存活队列,并以末次接触日期计算生存时间。
统计分析
采用Cox比例风险模型评估至死亡时间与脂肪组织预测变量之间的关系。计算每种脂肪组织指标的風險比(HR)。对于整个队列,按百分位数将患者分为12组,并计算每个亚组的HR。按性别和年龄组分组时也进行了同样的分析,将患者分为四分位数(Q1-Q4)。对于时间-事件生存分析,为VSR创建Kaplan-Meier(KM)曲线,同样按性别和年龄组分组,并将患者进一步分为四分位数(Q1-Q4)。统计分析使用Statistics Kingdom软件(Statistics Kingdom,墨尔本,澳大利亚)进行。p值<0.05被认为具有统计学意义。
结果
患者样本
本研究共纳入138,169名患者(平均年龄53岁,52%为女性),其中90%为白人。中位临床随访时间为5.6年(四分位距,1.9至11.1年)。138,169名患者中有28,392名在临床随访期间死亡。患者特征和汇总数据见表1。
脂肪组织指标
全因死亡的风险比与SAT面积、VAT面积和VSR的关系见图3。值得注意的是,SAT面积和VAT面积最低百分位者的死亡HR升高。同样,VAT面积最高百分位者的HR也升高。相反,SAT面积最高百分位者的HR无变化或略有降低。对于VSR,最高百分位者的HR升高,而较低百分位者略有降低。按年龄组分层后,低SAT面积与大多数人群的死亡率增加相关(图4)。低VAT面积与老年男性的HR升高相关,而对于女性,VAT面积增加与较年轻队列的HR升高相关,而这一趋势在较年长队列中逆转,较低的VAT面积与死亡风险增加相关。高VSR与所有年龄队列女性的死亡率增加相关,而对于男性,高VSR仅在最年轻队列中与较高的死亡风险相关。
表2显示了图4中相同年龄组中某一脂肪组织指标最高风险四分位与最低风险四分位相比较的HR。VSR的HR通常最大,在18至39岁女性中高达3.32(2.58–4.06),在18至39岁男性中为1.64(1.32–1.96)。SAT面积在40至59岁男性中HR最高,为1.55(1.42–1.68),在80岁以上女性中为1.62(1.44–1.80)。VAT面积在40–59岁男性中HR最高,为1.58(1.45–71),在18至39岁女性中为1.63(1.29–1.97)。
图5显示了按四分位数分组的KM曲线,描绘从CT检查日期起的死亡时间。视觉上的生存曲线分离在女性各年龄队列中最为明显,其中18–39岁和40–59岁队列中最高四分位(Q4)的分离最大。所有年龄组男性的分离明显较小。
讨论
在本研究中,脂肪组织面积使用基于人工智能的全自动CT工具进行测量,并评估了这些测量指标对全因死亡的预测价值。总体而言,我们发现各项脂肪组织面积测量指标均可预测全因死亡,且VSR总体上较单独VAT或SAT面积显示出更好的生存预测能力,但有例外。更具体地说,低SAT面积、高VAT面积和低VAT面积、以及高VSR的患者死亡风险升高。按性别分组并分为四个年龄队列后,这些趋势略有差异。对于男性,低SAT面积、高VAT面积(但随年龄增长逆转为低VAT面积)、以及年轻患者的高VSR者死亡风险升高。对于女性,低SAT面积、年轻患者的高VAT面积(但同样随年龄增长而逆转)、以及高VSR者死亡风险升高。总体而言,脂肪组织面积测量指标与全因死亡呈U形曲线关系,即两端极值患者的风险均升高。这些趋势在女性患者中往往更强。高VAT面积通常与年轻患者全因死亡风险升高相关,但在较年长队列中该关系较弱甚至逆转。高VSR与全因死亡风险升高之间的关联往往在所有年龄队列中持续存在。无论如何,VSR总体上优于单独VAT面积和SAT面积。
肥胖与死亡率之间的关系已有充分文献记载[25]。我们的研究发现,内脏脂肪面积(VAT)增加而非皮下脂肪面积(SAT)增加可预测死亡率升高,且这种关联在年轻患者和女性中更强。VAT具有更强的内分泌活性,尤其是在参与多种代谢病理的通路中[5, 26]。此外,高VAT体积被证明与发生心血管代谢疾病的风险密切相关[27]。因此,内脏脂肪增多在多种可对生存产生不良影响的疾病的发病机制中发挥更显著的作用,这与本研究中观察到的趋势相符。另一方面,SAT体积的数据则不那么明确。高SAT面积在某些情况下具有保护性益处,如髋部骨折和癌症[14, 28]。同样,SAT被发现对心血管代谢疾病的发生呈中性影响,即使在存在关联的情况下,其关联也弱于VAT[27]。然而,其他研究发现高SAT面积者心血管事件和死亡率显著增加[29]。这些相互矛盾的关系可以解释为何高SAT面积未伴随死亡率风险增加,甚至在较高水平时风险反而降低。
相反,我们也发现VAT和SAT最低百分位数者的死亡风险增加。恶病质已知也会增加死亡风险,而这些身体成分变化可在CT上量化[30]。同样,厌食症也带来死亡风险[31, 32]。虽然低VAT和低SAT面积均可提示这些状况,但研究表明低SAT面积在某些疾病(如癌症)中具有更优的预后价值[28, 33]。这可以解释为何SAT面积最低百分位数的风险比高于VAT相应百分位数[33]。总之,导致脂肪组织体积低的代谢状况可对生存产生负面影响,其影响甚至可能比高体积更为显著。
尽管仅脂肪组织面积即具有预测价值,但面积比值(VSR)在本研究中表现更佳。既往研究表明VSR同样是不良结局的有力预测指标,包括心血管疾病和2型糖尿病等多种代谢状况[18, 29, 34–36]。与本研宄类似,VSR已被证明优于单独的体积和面积测量指标,提示VSR捕获了仅靠脂肪组织面积无法代表的信息[4, 37, 38]。了解VAT和SAT如何共同影响患者的整体肥胖程度对患者诊疗至关重要。在许多临床情况下,VSR是更优的生物标志物,因此应予以考虑。这些基于人工智能的CT工具是获取这一关键临床信息的高效方式,并可显著补充体重或BMI等更常用的指标。
本研究还分析了这些关系在人口学特征上的差异。值得注意的是,高VSR和高VAT面积测量值与全因死亡率的关联在女性中更强,这与既往发表的结果一致。[13, 37] 既往研究显示脂肪组织沉积存在差异,男性呈“苹果型”体型,女性呈“梨型”体型[13, 39]。同样,男性通常比女性有更高的VAT量[39]。因此,女性VAT增加可能对整体健康更为不利,因为这意味着其脂肪组织总体积的百分比增幅更大。这提示VAT面积和VSR可能是女性患者更好的指标。
年龄也影响脂肪组织面积与死亡率之间的关系,尤其是对VAT。一项既往研究表明,年龄改变了内脏肥胖与全因死亡率之间的关系[40]。更具体地说,他们使用了性别特异性内脏肥胖指数(VAI),发现高VAI仅与60岁以下患者死亡率增加相关[40]。同样,另一项研究发现高VAT面积与65岁以下患者全因死亡率增加相关,这种关系随年龄增长而减弱或逆转[41]。本研究结果发现了类似的趋势,即在较年轻队列中高VAT或VSR与死亡风险增加相关,而在较年长队列中这种关系减弱或逆转。高VAT与糖尿病和高血压等慢性疾病相关,这些疾病通常会降低长期生存率,意味着老年患者可能存活时间不足以观察到总生存率的显著下降[42]。此外,脂肪组织随年龄重新分布。年龄相关变化尤其导致VAT增加但SAT减少,且独立于总脂肪量、体重或腰围的变化[43]。因此,尽管老年患者可能拥有更多VAT,但相对于其余人群而言并未大幅增加,意味着对生存的影响将低于预期。疾病特异性关系可能进一步强化这一趋势。癌症在老年人群中更为常见,而恶病质对这些患者是不良预后标志[28]。然而,在某些癌症队列中,较高的VAT与更好的生存概率相关[44]。老年患者可能更依赖其储备,这超过了高脂肪组织量的任何潜在长期不良影响。值得注意的是,癌症可能在心血管代谢疾病发生之前即导致死亡。这种综合效应可能削弱VAT增加的影响,而恶病质效应持续存在,导致本研究中较年长队列所见的低VAT死亡率增加但高VAT死亡率不变的结果。
越来越多的证据支持辨别内脏脂肪组织(VAT)和皮下脂肪组织(SAT)对整体肥胖的贡献具有重要意义,因为它提供了BMI或腰围等更粗略指标无法获得的洞见。通过CT对脂肪组织进行分割是实现这一目标的一种途径,鉴于其准确性和在临床实践中的高普及率,可能也是最为理想的方法[7]。将这些方法和工具纳入实践对于改善患者照护至关重要。除了优化疾病治疗外,这些测量还可用于预防性用途。例如,脂肪组织测量可与同一腹部CT图像中的其他身体成分测量相结合,构建一个可解释的模型来预测未来结局[14–17]。随后,可根据哪些指标异常来采取预防措施。
我们承认本研究存在局限性。这是一项单中心回顾性研究。鉴于CT是因任何适应症而获取的,包括已有基础疾病的患者,与一般人群相比,该队列可能存在偏向某些结局的偏倚。此外,该队列同时包含增强和非增强检查。尽管既往研究已建立校正因子并检验了CT类型是否影响结局,但对这两种CT检查类型分别制定方案可能更为有利。如上所述,本研究中使用的脂肪组织面积取自L3水平单一层面的图像。这意味着这些测量仅是患者腹部脂肪组织的一个样本,在某些情况下可能导致对实际脂肪组织体积的高估或低估。然而,考虑到人工智能技术的现状和成本,对整个腹部脂肪组织进行分割可能不太实际。
总之,全自动人工智能身体成分工具可从腹部CT图像中得出VAT和SAT面积的准确测量值。高VAT、低VAT和低SAT面积均可预测全因死亡率。VSR将VAT和SAT面积整合为一个一体化指标,高VSR既可预测全因死亡率,且优于单独使用脂肪组织面积。所有脂肪指标在女性和较年轻患者中对全因死亡率的预测能力更强。实施这些工具并量化脂肪组织,可通过利用此前未被使用的数据识别额外风险因素,从而增强患者照护并改善临床结局。
引用
- Liu D, Kuchnia AJ, Blake GM, et al. Ratio of visceral-to-subcutaneous fat area improves long-term mortality prediction over either measure alone: automated CT-based AI measures with longitudinal follow-up in a large adult cohort. Abdom Radiol (NY). 2025. PMID: 40788576. doi:10.1007/s00261-025-05149-7
- 全文:PMC12971800(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12971800/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。